6054 件の論文
この論文は、限られたラベル付きデータや臨床的な画像劣化に強い頑健な医療画像セグメンテーションを実現するため、視覚的特徴によるテキスト表現の反復的洗練と拡張一貫性目的を備えた双方向マルチモーダル融合フレームワーク「BiCLIP」を提案し、主要ベンチマークで最先端の手法を上回る性能を示したことを報告しています。
本論文は、富士山の webcam 画像と気象データを後期融合するマルチモーダル学習フレームワーク「FujiView」を提案し、観光計画や環境予測に有用な景観視界の高精度予測を実現したことを報告するものである。
本論文は、マルチモーダル大規模言語モデルに基づく人間に合致した評価システムと群相対方策最適化（GRPO）を用いた強化学習フレームワーク「FlowPortrait」を提案し、音声駆動による肖像動画生成におけるリップシンクの精度、表現力、および自然さを大幅に向上させることを示しています。
本研究は、大規模な雑草・作物データセットの不足を解決するため、自己教師あり学習で微調整された DINOv3 を YOLO26 に統合し、野菜圃場における雑草検出の精度と汎化性能を大幅に向上させた新たなモデルを提案しています。
本論文は、特殊な機器や専門家への依存を減らすため、一般的なスマートフォンと軽量なコンピュータビジョン技術を用いて、赤みの定量や瞬き率の推定など 5 つのモジュールによる説明可能な眼科スクリーニングおよび経時的追跡を実現する「SKINOPATHY AI」というシステムを提案し、そのアーキテクチャ、アルゴリズム、臨床的意義を詳述したものである。
本論文は、がん診断における FDG-PET/CT 画像の読影パターンを捉えた大規模な眼球追跡データセット「GazeXPErT」を提示し、専門家の注視情報を統合することで AI による腫瘍セグメンテーションや病変局所化の精度向上、および説明可能な医療 AI の実現に貢献できることを示しています。
本論文は、極端なクラス不均衡に直面するホワイトボードのストロークセグメンテーションにおいて、従来の領域指標では見逃されがちな細いストロークの失敗を可視化し、境界指標とサブセット公平性分析を統合した新しい評価プロトコルを提案し、重なりベースの損失関数や高解像度学習が精度と頑健性の両面で古典的手法を上回ることを実証しています。
本論文は、MLLMs における視覚的注意信号の断片化や冗長なテキストに依存する既存手法の課題を克服し、中間層での注意集約と簡潔な意味的手がかりを用いた ROI 抽出を行う「ConFoThinking」を提案し、複数の VQA ベンチマークで視覚認識性能を大幅に向上させることを示しています。
本論文は、生成 AI が複雑な画像よりも単純な単色画像の生成で失敗する「単純さのパラドックス」を「服従性」の概念で体系化し、色生成に特化した初のベンチマーク「VIOLIN」を提案することで、モデルの指示遵守能力の限界を明らかにし、この課題への関心を喚起することを目的としています。
本論文は、トルコ産のオリーブ品種を自動分類するために、ステレオカメラで取得した画像を転移学習を用いた深層学習モデル（MobileNetV2 および EfficientNetB0）で処理し、EfficientNetB0 が 94.5% の精度で最適な性能を示したことを報告している。
本論文は、約 5,000 万の動画クリップからゼロから構築された大規模動画基盤モデル「Summer-22B」の開発において、データセットエンジニアリングが最も重要な要素であり、メタデータ駆動型のキュレーションやμP パラメータ化などの技術的知見を体系的に報告したものです。
GUI 環境における KV キャッシュの過剰なメモリ使用量と遅延を解消するため、UI 要素の空間的注目度と操作軌道の意味的冗長性を考慮した新しいスコアリング手法「ST-Lite」を提案し、学習なしでキャッシュサイズを大幅に削減しながら高速な推論と高い性能を両立させることを実証した。
本論文は、LoRA ベースの継続的学習において、タスク共有とタスク固有の方向性をエネルギーに基づく目的関数で分離し、勾配整合最適化と閉形式の再較正を導入することで、知識の共有と干渉の回避を両立する新しい手法「LoDA」を提案し、既存手法を上回る性能を実証したものである。
本論文は、動画生成モデルにおける透かし抽出の同期依存性と時間的歪みへの脆弱性を解決するため、フレーム順序に依存しないシャッフルキー方式と時間的歪みに耐性のある差分アテンション機構を導入した、高忠実度かつ高頑健なテキストから動画への生成透かしフレームワーク「SKeDA」を提案するものです。
この論文は、ADE20K データセットで有効性が示された概念誘導に基づく CNN 隠れニューロンの解釈性フレームワークが、大規模なシーン認識ベンチマークである SUN2012 データセットにも適用可能であることを実証したケーススタディです。
本論文は、アテンションと状態空間モデル（Mamba）を混在させるハイブリッド型長動画 VLM において、トークンの重要度が層間で変動する特性を踏まえ、段階的な削減スケジュールと言語意識型スコアリングを導入することで、精度を維持しつつプリフィル速度を大幅に向上させる手法を提案しています。
本論文は、放射線報告の曖昧さや多ラベルデータにおける「不確実性」ラベルの扱いを改善するため、解剖学的複雑性を捉える適応的拡張畳み込みとディリクレ証拠学習を組み合わせた信頼性の高い胸疾患分類フレームワーク「AdURA-Net」を提案するものです。
この研究は、アーキテクチャの改良やハイパーパラメータ調整、スペクトル正規化などの手法を用いて SOUP-GAN と CSR-GAN を最適化し、高解像度の MRI 画像再構成においてそれぞれ異なる長所（CSR-GAN は高周波詳細とノイズ低減、SOUP-GAN は構造保持とノイズ低減）を示すことで、医療診断の精度向上に寄与する画像品質改善手法を提案したものです。
この論文は、確率的なノイズ注入を排除し、連続するステップで速度場を再利用することで推論効率を大幅に向上させつつ、スパースビュー CT 再構成の品質を維持する決定論的フローマッチングに基づく新しいフレームワーク「FMCT」とその効率的な変種「EFMCT」を提案するものです。
既存の視覚推論ベンチマークの課題を克服するため、6 つの推論領域にわたる 10 種類のタスクから構成され、生成タスクと構造的な誤答を含む選択タスクの両方を通じて厳密な検証を可能にする「TACIT Benchmark」を提案し、そのデータセットと評価基盤を公開した。